6

我有一个如下字符串:

<118>date=2010-05-09,time=16:41:27,device_id=FE-2KA3F09000049,log_id=0400147717,log_part=00,type=statistics,subtype=n/a,pri=information,session_id=o49CedRc021772,from="prvs=4745cd07e1=example@example.org",mailer="mta",client_name="example.org,[194.177.17.24]",resolved=OK,to="example@example.org",direction="in",message_length=6832079,virus="",disposition="Accept",classifier="Not,Spam",subject="=?windows-1255?B?Rlc6IEZ3OiDg5fDp5fog+fno5fog7Pf46eHp7S3u4+Tp7SE=?="

我尝试使用 CSV 模块,但它不适合,因为我还没有找到一种方法来忽略引用的内容。Pyparsing 看起来是一个更好的答案,但我还没有找到声明所有语法的方法。

目前,我正在使用我的旧 Perl 脚本来解析它,但我希望它是用 Python 编写的。如果你需要我的 Perl 片段,我很乐意提供。

任何帮助表示赞赏。

4

2 回答 2

6

利用现有的解析器可能比使用临时正则表达式更好。

parse_http_list(s)
    按照 RFC 2068 第 2 节的描述解析列表。

    特别是,解析逗号分隔的列表,其中的元素
    该列表可能包含带引号的字符串。带引号的字符串可以
    包含一个逗号。不带引号的字符串可以在
    中间。如果转义,逗号和引号都不算数。
    只计算双引号,不计算单引号。

parse_keqv_list(l)
    解析键不重复的键=值字符串列表。

例子:

>>> pprint.pprint(urllib2.parse_keqv_list(urllib2.parse_http_list(s)))
{'<118>date': '2010-05-09',
 'classifier': 'Not,Spam',
 'client_name': 'example.org,[194.177.17.24]',
 'device_id': 'FE-2KA3F09000049',
 'direction': 'in',
 'disposition': 'Accept',
 'from': 'prvs=4745cd07e1=example@example.org',
 'log_id': '0400147717',
 'log_part': '00',
 'mailer': 'mta',
 'message_length': '6832079',
 'pri': 'information',
 'resolved': 'OK',
 'session_id': 'o49CedRc021772',
 'subject':'=?windows-1255?B?Rlc6IEZ3OiDg5fDp5fog+fno5fog7Pf46eHp7S3u4+Tp7SE=?=',
 'subtype': 'n/a',
 'time': '16:41:27',
 'to': 'example@example.org',
 'type': 'statistics',
 'virus': ''}
于 2010-05-14T06:43:08.900 回答
5

我不确定你真正在寻找什么,但是

import re
data = "date=2010-05-09,time=16:41:27,device_id=FE-2KA3F09000049,log_id=0400147717,log_part=00,type=statistics,subtype=n/a,pri=information,session_id=o49CedRc021772,from=\"prvs=4745cd07e1=example@example.org\",mailer=\"mta\",client_name=\"example.org,[194.177.17.24]\",resolved=OK,to=\"example@example.org\",direction=\"in\",message_length=6832079,virus=\"\",disposition=\"Accept\",classifier=\"Not,Spam\",subject=\"=?windows-1255?B?Rlc6IEZ3OiDg5fDp5fog+fno5fog7Pf46eHp7S3u4+Tp7SE=?=\""
pattern = r"""(\w+)=((?:"(?:\\.|[^\\"])*"|'(?:\\.|[^\\'])*'|[^\\,"'])+)"""
print(re.findall(pattern, data))

给你

[('date', '2010-05-09'), ('time', '16:41:27'), ('device_id', 'FE-2KA3F09000049'),
 ('log_id', '0400147717'), ('log_part', '00'), ('type', 'statistics'),
 ('subtype', 'n/a'), ('pri', 'information'), ('session_id', 'o49CedRc021772'),
 ('from', '"prvs=4745cd07e1=example@example.org"'), ('mailer', '"mta"'),
 ('client_name', '"example.org,[194.177.17.24]"'), ('resolved', 'OK'),
 ('to', '"example@example.org"'), ('direction', '"in"'),
 ('message_length', '6832079'), ('virus', '""'), ('disposition', '"Accept"'),
 ('classifier', '"Not,Spam"'), 
 ('subject', '"=?windows-1255?B?Rlc6IEZ3OiDg5fDp5fog+fno5fog7Pf46eHp7S3u4+Tp7SE=?="')
]

之后您可能想清理引用的字符串(使用mystring.strip("'\""))。

编辑a="She said \"Hi!\"":这个正则表达式现在也可以正确处理带引号的字符串 ( ) 中的转义引号。

正则表达式的解释:

(\w+)=((?:"(?:\\.|[^\\"])*"|'(?:\\.|[^\\'])*'|[^\\,"'])+)

(\w+):匹配标识符并将其捕获到反向引用号中。1

=: 匹配一个=

(:将以下内容捕获到反向引用编号中。2:

(?:: 以下之一:

"(?:\\.|[^\\"])*": 双引号,后跟以下零个或多个:转义字符或非引号/非反斜杠字符,后跟另一个双引号

|: 或者

'(?:\\.|[^\\'])*': 见上文,仅用于单引号。

|: 或者

[^\\,"']: 一个既不是反斜杠、逗号也不是引号的字符。

)+: 至少重复一次,尽可能多地重复。

): 捕获组号结束。2.

于 2010-05-09T13:55:12.170 回答